A melhor hora para ligar

Problema: Não sabiam quais eram os melhores horários para contactar os clientes

As equipas de apoio ao cliente de um banco português confidencial enfrentavam um grande desafio: não sabiam qual era o melhor dia da semana ou a melhor hora do dia para contactar eficazmente cada cliente. Esta falta de informação estava a afetar negativamente a produtividade e a limitar o sucesso das atividades comerciais.

Objetivo

O banco em questão lançou um concurso através da Inocrowd para que startups desenvolvessem um algoritmo de machine learning que fornecesse três sugestões para o melhor momento para contactar um determinado cliente, aumentando a eficiência das equipas de apoio ao cliente.

A Two Impulse ficou em primeiro lugar no concurso entre 12 participantes.

Solução

Modelo de Aprendizagem Automática Preditiva

A equipa de ciência de dados da Two Impulse adotou uma abordagem sistemática para analisar o conjunto de dados de interações passadas com os clientes:

1. Análise de dados: Foram estudadas várias características, tais como o horário de trabalho de cada cliente e os horários em que os clientes visitam o banco fisicamente. Estas características foram consideradas juntamente com métricas mais clássicas, como precisão, recall, f1-score e exatidão.
2. Seleção e otimização do modelo: A equipa realizou uma comparação entre diferentes algoritmos e concentrou-se na otimização do f1-score, dado que as classes (presente ou ausente) não estavam equilibradas. Técnicas como Kolmogorov-Smirnov, Qui-quadrado e Distância de Jensen-Shannon foram aplicadas para detectar desvios de conceito e desvios de dados.
3. Implementação: O algoritmo escolhido foi cuidadosamente otimizado, levando em conta o peso e o desempenho do modelo. A equipa dedicou-se ao pré-processamento e à normalização dos dados, com a seleção de características feita por meio de análise técnica.
4. Integração: A solução foi implementada em Python, com opções para processamento em lote de todos os clientes ou para a criação de uma API WebService para recomendações. O modelo também foi preparado para ser escalonado usando PySpark, se necessário.
5. Monitorização e melhoria: Foi criado um sistema para quantificar a degradação do modelo ao longo do tempo, com automatização para o retreinamento do modelo quando fosse detetada uma determinada degradação. Também foram considerados feedback contínuo e novos inputs.

Resultados

Maior sucesso nas chamadas aos clientes

Com o algoritmo preditivo, o banco alcançou uma taxa de sucesso mais elevada nas chamadas aos clientes. Isso não só aumentou a produtividade, como também contribuiu para um aumento das vendas.

Solução escalável e versátil

O código otimizado e a flexibilidade nas opções de processamento significavam que a solução estava pronta a usar e podia ser adaptada a diferentes escalas, proporcionando uma solução robusta e adaptada às necessidades do banco.

Riscos e considerações

Foram consideradas duas abordagens principais, com os riscos associados. No processamento em lote, o grande volume de dados significava que o tempo de processamento seria maior. Com o ambiente PySpark, foi necessária a reimplementação do código.

Conclusão

A solução da Two Impulse resolveu uma questão crucial de produtividade para o banco português confidencial, oferecendo uma abordagem baseada em dados para otimizar os tempos de contacto com os clientes. A análise metódica, a implementação personalizada e a consideração da escalabilidade e do risco tornam este um caso de estudo digno de nota na aplicação de machine learning para melhorar o envolvimento do cliente no setor bancário.